CN104537630A - 一种基于年龄估计的图像美颜方法和装置 - Google Patents

Abstract

本发明公开了一种基于年龄估计的图像美颜方法和装置，其通过预设不同年龄类型所对应的不同的美颜方案，对待处理图像进行人脸识别，并获取识别到人脸图像以及人脸图像上的年龄特征，然后对所述的人脸图像根据所述的年龄特征进行年龄类型的估计，最后根据估计的年龄类型获取对应的美颜方案，并根据该美颜方案对待处理图像进行美颜处理，得到效果图像；从而保证不同年龄的人物图像得到其最合适的美颜效果，从而使美颜的效果更好。

Description

一种基于年龄估计的图像美颜方法和装置

技术领域

本发明涉及图像处理技术领域，特别是一种基于年龄估计的图像美颜方法及其应用该方法的装置。

背景技术

在崇尚青春美丽的时代，越来越多的人喜欢通过自拍并通过网络分享拍摄的照片来展现自己，现有的自拍技术也有傻瓜式的美颜功能，例如瞬间自动进行磨皮、美白、瘦脸、眼部增强、五官立体等多种美颜功能，无需通过专业软件进行PS，可直接生成美颜效果的照片，非常方便快捷；但是，现有的自动美颜技术由于不够智能化，对所有年龄层次的人群均采用统一的美颜方案，没有根据年龄的不同而执行不同的美颜效果，从而导致一些美颜效果不符合照片等问题的出现，例如对于婴幼儿或儿童类年龄层，就无需使用自动瘦脸功能。

发明内容

本发明为解决上述问题，提供了一种基于年龄估计的图像美颜方法和装置，通过根据年龄的不同而执行不同的美颜方案，美颜效果更自然。

为实现上述目的，本发明采用的技术方案为：

一种基于年龄估计的图像美颜方法，其特征在于，包括以下步骤：

10.预设不同年龄类型所对应的不同的美颜方案；

20.对待处理图像进行人脸识别，并获取识别到人脸图像以及人脸图像上的年龄特征；

30.对所述的人脸图像根据所述的年龄特征进行年龄类型的估计；

40.根据估计的年龄类型获取对应的美颜方案，并根据该美颜方案对待处理图像进行美颜处理，得到效果图像。

优选的，所述的步骤30中对所述的人脸图像根据所述的年龄特征进行年龄类型的估计，主要是利用卷积神经网络的方法对所述的人脸图像进行年龄估计。

优选的，所述的步骤30进一步包括以下步骤：

31.收集样本图像，并根据样本图像的年龄特征进行人工标注各个样本图像的年龄类型，并预设标准人脸图；

32.比对样本图像的人脸特征关键点和标准人脸图的人脸特征关键点，对样本图像进行关键点对齐和调整，再对调整后的样本图像进行轮廓提取得到样本图像的人脸轮廓图，并将该样本图像的人脸轮廓图进行归一化处理并输入卷积神经网络系统进行分类模型的训练；

33.获取从待处理图像中识别到的人脸图像，比对该人脸图像的人脸特征关键点和标准人脸图的人脸特征关键点，对所述的人脸图像进行关键点对齐和调整，再对调整后的人脸图像进行轮廓提取得到所述人脸图像的人脸轮廓图，并将人脸图像的人脸轮廓图采用所述的分类模型进行年龄分类，得到所述人脸图像的年龄类型。

优选的，在进行分类模型的训练过程中，卷积神经网络系统将分类错误的样本图像收集起来并依次执行步骤31及步骤32，直到超过预期结果时定为所述步骤32所训练出来的分类模型为最佳分类模型，并在所述的步骤33中采用该最佳分类模型对所述人脸图像的人脸轮廓图进行年龄分类，得到所述人脸图像的年龄类型。

优选的，所述的步骤32中比对样本图像的人脸特征关键点和标准人脸图的人脸特征关键点，对样本图像进行关键点对齐和调整，或者，所述的步骤33中比对所述人脸图像的人脸特征关键点和标准人脸图的人脸特征关键点，对所述人脸图像进行关键点对齐和调整，主要是通过预设标准人脸图及其对应的人脸特征关键点，并根据获取的样本图像或人脸图像的人脸区域及其对应的人脸特征关键点，利用仿射变换对样本图像或人脸图像的人脸特征关键点进行对齐和调整，再对调整后的样本图像或人脸图像进行轮廓提取得到调整后的人脸轮廓图，并将该调整后的人脸轮廓图作为所述样本图像或人脸图像的人脸轮廓图。

优选的，所述的轮廓提取主要是对所述调整后的样本图像或人脸图像进行小波变换，得到低频分量的频域图像，即所述的人脸轮廓图。

优选的，所述的步骤33中将所述人脸图像的人脸轮廓图采用所述的分类模型进行年龄分类得到所述人脸图像的年龄类型，主要是将所述的所述人脸图像的人脸轮廓图放入卷积神经网络系统中进行计算所述人脸图像每一种年龄类型的概率，并选择概率最大的年龄类型作为所述人脸图像的年龄类型。

优选的，所述的年龄类型包括：婴幼儿、儿童、少年、青年、中年、老年；所述的不同年龄类型所对应的不同的美颜方案进一步包括：

a.若估计的年龄类型为婴幼儿或儿童，则对应的美颜方案至少包括以下一种或多种的组合：嫩肤处理或亮肤处理；

b.若估计的年龄类型为少年，则对应的美颜方案至少包括以下一种或多种的组合：祛痘祛斑处理、高光调整、轻度磨皮处理或者美白亮肤处理；

c.若估计的年龄类型为青年，则对应的美颜方案至少包括以下一种或多种的组合：祛痘祛斑处理、中轻度磨皮处理、眼睛放大处理、亮眼处理、瘦脸处理或者美白亮肤处理；

d.若估计的年龄类型为中年，则对应的美颜方案至少包括以下一种或多种的组合：祛斑祛痘处理、中重度磨皮处理、眼睛放大处理、亮眼处理、瘦脸处理或者美白亮肤处理；

e.若估计的年龄类型为老年，则对应的美颜方案至少包括以下一种或多种的组合：重度磨皮处理、美白亮肤处理、眼睛放大处理、亮眼处理、立体嘴唇处理、嘴角提拉处理或者眼角提拉处理。

另外，本发明还提供了一种基于年龄估计的图像美颜装置，其特征在于，其包括：

接收模块，其用于接收从摄像头或者本地文件中获取的待处理图像；

人脸识别模块，其对所述的待处理图像进行人脸识别，并获取识别到人脸图像以及人脸图像上的年龄特征；

年龄分类模块，其对所述的人脸图像根据所述的年龄特征进行年龄类型的估计；

执行模块，其根据估计的年龄类型获取与该年龄类型相对应的美颜方案，并根据该美颜方案对待处理图像进行美颜处理，得到效果图像。

优选的，所述的年龄分类模块进一步包括：

采样单元，用于收集样本图像以供人工标注各个样本图像的年龄类型；

编辑单元，其通过比对所述的样本图像或获取的所述人脸图像的人脸特征关键点和预设的标准人脸图的人脸特征关键点，对样本图像或人脸图像进行关键点对齐和调整，再对调整后的样本图像或人脸图像进行轮廓提取得到样本图像或人脸图像的人脸轮廓图；

归一化单元，将所述的样本图像或人脸图像的人脸轮廓图进行归一化处理；

学习单元，将归一化处理后的样本图像或人脸图像的人脸轮廓图输入卷积神经网络系统进行分类模型的训练；

判断单元，将所述人脸图像的人脸轮廓图采用所述的分类模型进行年龄分类，以判断所述人脸图像的年龄类型。

本发明的有益效果是：

本发明的一种基于年龄估计的图像美颜方法和装置，其通过预设不同年龄类型所对应的不同的美颜方案，对待处理图像进行人脸识别，并获取识别到人脸图像以及人脸图像上的年龄特征，然后对所述的人脸图像根据所述的年龄特征进行年龄类型的估计，最后根据估计的年龄类型获取对应的美颜方案，并根据该美颜方案对待处理图像进行美颜处理，得到效果图像；从而保证不同年龄的人物图像得到其最合适的美颜效果，从而使美颜的效果更好。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明一种基于年龄估计的图像美颜方法的流程简图；

图2为本发明一种基于年龄估计的图像美颜方法的卷积神经网络的方法的流程简图；

图3为本发明一种基于年龄估计的图像美颜装置的结构示意图；

图4为本发明一种基于年龄估计的图像美颜装置的年龄分类模块的结构示意图。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合附图及实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明的一种基于年龄估计的图像美颜方法，其包括以下步骤：

10.预设不同年龄类型所对应的不同的美颜方案；

20.对待处理图像进行人脸识别，并获取识别到人脸图像以及人脸图像上的年龄特征；

30.对所述的人脸图像根据所述的年龄特征进行年龄类型的估计；

40.根据估计的年龄类型获取对应的美颜方案，并根据该美颜方案对待处理图像进行美颜处理，得到效果图像。

所述的步骤30中对所述的人脸图像根据所述的年龄特征进行年龄类型的估计，主要是利用卷积神经网络的方法对所述的人脸图像进行年龄估计；如图2所示，其进一步包括以下步骤：

31.收集样本图像，并根据样本图像的年龄特征进行人工标注各个样本图像的年龄类型，并预设标准人脸图；

32.比对样本图像的人脸特征关键点和标准人脸图的人脸特征关键点，对样本图像进行关键点对齐和调整，再对调整后的样本图像进行轮廓提取得到样本图像的人脸轮廓图，并将该样本图像的人脸轮廓图进行归一化处理并输入卷积神经网络系统进行分类模型的训练；

33.获取从待处理图像中识别到的人脸图像，比对该人脸图像的人脸特征关键点和标准人脸图的人脸特征关键点，对所述的人脸图像进行关键点对齐和调整，再对调整后的人脸图像进行轮廓提取得到所述人脸图像的人脸轮廓图，并将人脸图像的人脸轮廓图采用所述的分类模型进行年龄分类，得到所述人脸图像的年龄类型。

作为优选的实施例，在进行分类模型的训练过程中，卷积神经网络系统将分类错误的样本图像收集起来并依次执行步骤31及步骤32，直到超过预期结果时定为所述步骤32所训练出来的分类模型为最佳分类模型，并在所述的步骤33中采用该最佳分类模型对所述人脸图像的人脸轮廓图进行年龄分类，得到所述人脸图像的年龄类型；所述的步骤32中将样本图像的人脸轮廓图进行归一化处理并输入卷积神经网络系统进行分类模型的训练，主要是将人工分类好的样本图像的人脸轮廓图带入卷积神经网络系统进行学习；并且，将分类错误的样本图像收集起来重新进行标注，即，对于系统自动分类的年龄类型与人工分类的年龄类型不一致时，表示人工标注错误或者系统分类错误，需重新进行人工标注并调整网络结构，再将重新标注后的样本图像再次进行训练学习，如此重复“训练->调整网络结构->再训练”的过程直到分类正确为止。

本实施例中网格结构顺序为输入层->K个小组层->全连接层->SoftMax层，其中K大于等于1；小组层包括卷积层、激活层、下采样层、归一化层；卷积层、激活层、下采样层、归一化层中每个层的核大小以及输出大小都是可以进行任意调节的，并且每个层都有一个输入且产生一个输出，每一层的输出作为下一层的输入。

其中，输入层的输入大小为Height x Weight x Channel，其中Weight、Height为输入层图像的宽和高，Channel为输入层图像的颜色通道；由于本发明使用GPU硬件实现的原因，Weight＝Height；输入图像的channel只能为1或者3。

卷积层：

1)核的大小必须是奇数，且不大于该层输入的宽或者高；

2)中间表示通过卷积层时不改变宽和高，通道数可变可不变；理论上可以为任意正整数，由于本发明使用GPU硬件实现的原因，这里为16的倍数。

激活层：

1)激活层不改变卷积层表示的宽、高或者通道数；

2)激活层所使用的激活函数包括但不限于以下函数类型：

f(x)＝1/(1+e^-x)

f(x)＝a*tanh(b*x),a,b为任意非零实数

f(x)＝max(0,x)

f(x)＝min(a,max(0,x))

f(x)＝log(1+e^x)

f(x)＝|x|

f(x)＝x²

$f\left(x\right)=\sqrt{x}$

f(x)＝ax+b

3)激活层跟在卷积层或者全连接之后。

下采样层：

1)下采样层不改变中间表示的通道数；

2)下采样层对图像的缩小比即为核的大小：即核为m x n的下采样层会造成中间表示缩小为上一层的(1/m)x(1/n)，理论上m和n可为任意自然数，由于本发明使用GPU硬件实现的原因，m＝n。例如，15 x 15 x 32通过3 x 3的下采样后，变成5 x 5 x 32；15 x 15 x 32通过5 x 5的下采样后，变成3 x 3 x 32；但是15 x 15 x 32不能进行2 x 2的下采样，因为15不能被2整除；并不是说，输入尺寸必须是2的次幂，即16、32、64等，输入尺寸只要保证能被所有下采样层采样即可。

归一化层：

1)归一化层不改变中间表示的任何尺寸；

2)归一化层不是必须的，可要可不要，添加归一化层通常会提高精度并增加计算量；是否添加归一化层，要看添加后实际提升的精度和损失的速度。

一般的组合是：卷积->激活->下采样->归一化。

以下情况特殊：

1)添加归一化层对精度提升较小却增大了很多运算量时，取消归一化层，即采用以下组合：卷积->激活->下采样；

2)归一化层提前，效果基本相同，即采用以下组合：卷积->激活->归一化->下采样。

3)取消下采样层：卷积->激活；或者卷积->激活->归一化；下采样本质是为了增加鲁棒性，同时顺便有减少后续层的运算量的作用；一个网络中通常会有几层下采样，但并不是所有的“卷积->激活”后面都要跟下采样。

全连接层：

1)通过全连接层后的中间表示会变成1维的，不再是3维的；

2)全连接的输出可以任意；

3)一旦进过全连接，就无法进行卷积、下采样或归一化；

4)全连接后面可以接激活层，或者继续接全连接。

SoftMax层：

接在全连接层之后，作用是把全连接产生的实值变成[0,1]之间的概率。

本发明最后使用的网络结构如表1所示。

表1 卷积神经网络结构

层数	类型	核大小	输出大小	注解
					1	输入层		32x32x3
2	卷积层	5x5	32x32x32
					3	激活层		32x32x32
4	下采样层	2x2	16x16x32	f(x)＝x2
					5	归一化层		16x16x32	使用局部归一化
6	卷积层	5x5	16x16x16
					7	激活层		16x16x16
8	下采样层	2x2	8x8x16	f(x)＝|x|
					9	归一化层		8x8x16	使用局部归一化
10	全连接层		6个数据
					11	SoftMax层		6个数据

其中，所述的步骤32中比对样本图像的人脸特征关键点和标准人脸图的人脸特征关键点，对样本图像进行关键点对齐和调整，或者，所述的步骤33中比对所述人脸图像的人脸特征关键点和标准人脸图的人脸特征关键点，对所述人脸图像进行关键点对齐和调整，主要是通过预设标准人脸图及其对应的人脸特征关键点，并根据获取的样本图像或人脸图像的人脸区域及其对应的人脸特征关键点，利用仿射变换对样本图像或人脸图像的人脸特征关键点进行对齐和调整，再对调整后的样本图像或人脸图像进行轮廓提取得到调整后的人脸轮廓图，并将该调整后的人脸轮廓图作为所述样本图像或人脸图像的人脸轮廓图；所述的仿射变换仿射变换(Affine Transform)是空间直角坐标变换的一种，它是一种二维坐标到二维坐标之间的线性变换，保持二维图形的“平直性”(straightness，即变换后直线还是直线不会打弯，圆弧还是圆弧)和“平行性”(parallelism，即保持二维图形间的相对位置关系不变，平行线还是平行线，相交直线的交角不变)；利用仿射变换对标准人脸图的人脸特征关键点进行对齐和调整，主要是通过移动、缩放、翻转、旋转等一系列的变换，将样本图像或人脸图像与标准人脸图中眼睛、鼻子、嘴巴等人脸特征关键点调整到与标准人脸图相对应的位置。

本实施例中，所述的人脸特征关键点主要包括眼睛轮廓、嘴部、眉毛、脸部轮廓线、额头。所述的人脸特征关键点的检测主要是利用ASM(ActiveShape Model)算法，其分为训练和搜索两步：训练时，建立各个特征点的位置约束，构建各个特定点的局部特征；搜索时，迭代的匹配；该算法为现有技术在此不进行赘述。所述的人脸特征关键点主要包括眼睛轮廓、嘴部、眉毛、脸部轮廓线、额头等。

人脸网格生成的基本思想是先设计出符合基本人脸形状和器官分布的标准三角网格，通过定义每个三角形的顶点序号，来得到网格点的相对位置与三角网格面片之间的拓扑关系；然后用人脸特征点提取算法得到的控制点坐标对标准网格进行校准变形，从而实现不同人脸照片的个性化面部网格生成。

曲线间点的拟合点采用拉格朗日插值计算出来。

网格点的生成算法描述如下：

眼睛轮廓：88个特征点中关于眼睛轮廓的有16个点，而在标准网格之中我们需要对20个点进行校准定位。我们根据左眼角点、右眼角点和上边中点生成眼睛上抛物线；通过左眼角点、右眼角点和下边中点生成眼睛下抛物线。在四条抛物线上等水平距离取点获得所有20个点。

嘴部：88个特征点中嘴部轮廓有22个点，标准网格中需要对34个点进行校准定位。生成抛物线9～12进行拟合，获取所有34个点。

眉毛：88个特征点中眉毛有16个点，标准网格中需要对20个点进行校准定位。生成抛物线1、2、3和4进行拟合，获取所有20个点。

脸部轮廓线：88个特征点中有21个点表示脸部轮廓线。而在网格图中共有33个点表示轮廓线。将轮廓线分为4段，分别用抛物线13～16拟合。

额头：通过实际脸和标准脸的额头发际中点，两边脸颊最高点计算仿射变换矩阵。额头部分在人脸表情动作中起到的作用较少，因此额头部分的网格采用了仿射变换的方法进行近似生成。

其他点：如额头、脸颊、嘴部外围等处的点，它们的坐标根据已经定好位置的网格点按比例算出。

所述的轮廓提取主要是对所述调整后的样本图像或人脸图像进行小波变换，得到低频分量的频域图像，即所述的人脸轮廓图。其中小波变换是空间(时间)和频率的局部变换，因而能有效地从信号中提取信息。小波变换是一种新的变换分析方法，它继承和发展了短时傅立叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的“时间-频率”窗口，是进行信号时频分析和处理的理想工具。它的主要特点是通过变换能够充分突出问题某些方面的特征。

其中，所述的步骤33中将所述人脸图像的人脸轮廓图采用所述的分类模型进行年龄分类得到所述人脸图像的年龄类型，主要是将所述的所述人脸图像的人脸轮廓图放入卷积神经网络系统中进行计算所述人脸图像每一种年龄类型的概率，并选择概率最大的年龄类型作为所述人脸图像的年龄类型；具体主要是通过在所述人脸图像中的人脸区域进行关键点对齐和轮廓提取得到人脸轮廓图，放入神经网络的输入层，进行全连接后，在最后的SoftMax层得到每一种标签的概率，即在区间[0,1]中的实值；本实施例中根据年龄类型分为：婴幼儿、儿童、少年、青年、中年、老年，共6种类型的年龄标签，即6个数据，这6个数据的和等于1；选择概率最大的标签作为该人脸图像的年龄类型的标签。步骤32中该样本图像的人脸轮廓图进行归一化处理并输入卷积神经网络系统进行分类模型的训练，其年龄类型的判断方法与上述类似。

所述的年龄类型包括：婴幼儿(0到2岁)、儿童(3到6岁)、少年(7到14岁)、青年(15到35岁)、中年(36到60岁)、老年(61岁以上)；所述的不同年龄类型所对应的不同的美颜方案进一步包括：

a.若估计的年龄类型为婴幼儿或儿童，则对应的美颜方案至少包括以下一种或多种的组合：嫩肤处理或亮肤处理；婴幼儿或儿童的脸部处理无需进行磨皮处理或瘦脸处理等，美颜方向主要是往皮肤粉嫩、明亮方向发展，必要时还可以进行亮眼处理；

b.若估计的年龄类型为少年，则对应的美颜方案至少包括以下一种或多种的组合：祛痘祛斑处理、高光调整、轻度磨皮处理或者美白亮肤处理；少年阶段的人群一般会存在青春痘、皮肤油亮等问题，因此在美颜方案中主要根据这些问题进行对应设置；

c.若估计的年龄类型为青年，则对应的美颜方案至少包括以下一种或多种的组合：祛痘祛斑处理、中轻度磨皮处理、眼睛放大处理、亮眼处理、瘦脸处理或者美白亮肤处理；青年阶段的人群可能会存在肤色不均匀、眼角细纹等问题，因此在美颜方案中主要根据这些问题进行对应设置；

d.若估计的年龄类型为中年，则对应的美颜方案至少包括以下一种或多种的组合：祛斑祛痘处理、中重度磨皮处理、眼睛放大处理、亮眼处理、瘦脸处理或者美白亮肤处理；中年阶段的人群可能会存在鱼尾纹、川字纹，嘴角、眼角松弛、色斑等问题，因此在美颜方案中主要根据这些问题进行对应设置；

e.若估计的年龄类型为老年，则对应的美颜方案至少包括以下一种或多种的组合：重度磨皮处理、美白亮肤处理、眼睛放大处理、亮眼处理、立体嘴唇处理、嘴角提拉处理或者眼角提拉处理；老年阶段的人群一般会存在眼袋、眼窝越宽越长、眉宇与眉心距离缩短，鼻骨开口向后萎缩，下颌的长度与高度都有所缩小等问题，因此在美颜方案中主要根据这些问题进行对应设置。

如图3所示，本发明还提供了应用上述方法的一种基于年龄估计的图像美颜装置，其特征在于，其包括：

接收模块A，其用于接收从摄像头或者本地文件中获取的待处理图像；

人脸识别模块B，其对所述的待处理图像进行人脸识别，并获取识别到人脸图像以及人脸图像上的年龄特征；

年龄分类模块C，其对所述的人脸图像根据所述的年龄特征进行年龄类型的估计；

执行模块D，其根据估计的年龄类型获取与该年龄类型相对应的美颜方案，并根据该美颜方案对待处理图像进行美颜处理，得到效果图像。

如图4所示，所述的年龄分类模块C进一步包括：

采样单元C1，用于收集样本图像以供人工标注各个样本图像的年龄类型；

编辑单元C2，其通过比对所述的样本图像或获取的所述人脸图像的人脸特征关键点和预设的标准人脸图的人脸特征关键点，对样本图像或人脸图像进行关键点对齐和调整，再对调整后的样本图像或人脸图像进行轮廓提取得到样本图像或人脸图像的人脸轮廓图；

归一化单元C3，将所述的样本图像或人脸图像的人脸轮廓图进行归一化处理；

学习单元C4，将归一化处理后的样本图像或人脸图像的人脸轮廓图输入卷积神经网络系统进行分类模型的训练；

判断单元C5，将所述人脸图像的人脸轮廓图采用所述的分类模型进行年龄分类，以判断所述人脸图像的年龄类型。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。并且，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。另外，本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

上述说明示出并描述了本发明的优选实施例，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (10)

1.一种基于年龄估计的图像美颜方法，其特征在于，包括以下步骤：

10.预设不同年龄类型所对应的不同的美颜方案；

20.对待处理图像进行人脸识别，并获取识别到人脸图像以及人脸图像上的年龄特征；

30.对所述的人脸图像根据所述的年龄特征进行年龄类型的估计；

40.根据估计的年龄类型获取对应的美颜方案，并根据该美颜方案对待处理图像进行美颜处理，得到效果图像。

2.根据权利要求1所述的一种基于年龄估计的图像美颜方法，其特征在于：所述的步骤30中对所述的人脸图像根据所述的年龄特征进行年龄类型的估计，主要是利用卷积神经网络的方法对所述的人脸图像进行年龄估计。

3.根据权利要求2所述的一种基于年龄估计的图像美颜方法，其特征在于：所述的步骤30进一步包括以下步骤：

31.收集样本图像，并根据样本图像的年龄特征进行人工标注各个样本图像的年龄类型，并预设标准人脸图；

32.比对样本图像的人脸特征关键点和标准人脸图的人脸特征关键点，对样本图像进行关键点对齐和调整，再对调整后的样本图像进行轮廓提取得到样本图像的人脸轮廓图，并将该样本图像的人脸轮廓图进行归一化处理并输入卷积神经网络系统进行分类模型的训练；

33.获取从待处理图像中识别到的人脸图像，比对该人脸图像的人脸特征关键点和标准人脸图的人脸特征关键点，对所述的人脸图像进行关键点对齐和调整，再对调整后的人脸图像进行轮廓提取得到所述人脸图像的人脸轮廓图，并将人脸图像的人脸轮廓图采用所述的分类模型进行年龄分类，得到所述人脸图像的年龄类型。

4.根据权利要求3所述的一种基于年龄估计的图像美颜方法，其特征在于：在进行分类模型的训练过程中，卷积神经网络系统将分类错误的样本图像收集起来并依次执行步骤31及步骤32，直到超过预期结果时定为所述步骤32所训练出来的分类模型为最佳分类模型，并在所述的步骤33中采用该最佳分类模型对所述人脸图像的人脸轮廓图进行年龄分类，得到所述人脸图像的年龄类型。

5.根据权利要求3所述的一种基于年龄估计的图像美颜方法，其特征在于：所述的步骤32中比对样本图像的人脸特征关键点和标准人脸图的人脸特征关键点，对样本图像进行关键点对齐和调整，或者，所述的步骤33中比对所述人脸图像的人脸特征关键点和标准人脸图的人脸特征关键点，对所述人脸图像进行关键点对齐和调整，主要是通过预设标准人脸图及其对应的人脸特征关键点，并根据获取的样本图像或人脸图像的人脸区域及其对应的人脸特征关键点，利用仿射变换对样本图像或人脸图像的人脸特征关键点进行对齐和调整，再对调整后的样本图像或人脸图像进行轮廓提取得到调整后的人脸轮廓图，并将该调整后的人脸轮廓图作为所述样本图像或人脸图像的人脸轮廓图。

6.根据权利要求3所述的一种基于年龄估计的图像美颜方法，其特征在于：所述的轮廓提取主要是对所述调整后的样本图像或人脸图像进行小波变换，得到低频分量的频域图像，即所述的人脸轮廓图。

7.根据权利要求3所述的一种基于年龄估计的图像美颜方法，其特征在于：所述的步骤33中将所述人脸图像的人脸轮廓图采用所述的分类模型进行年龄分类得到所述人脸图像的年龄类型，主要是将所述的所述人脸图像的人脸轮廓图放入卷积神经网络系统中进行计算所述人脸图像每一种年龄类型的概率，并选择概率最大的年龄类型作为所述人脸图像的年龄类型。

8.根据权利要求1至7中任一项所述的一种基于年龄估计的图像美颜方法，其特征在于：所述的年龄类型包括：婴幼儿、儿童、少年、青年、中年、老年；所述的不同年龄类型所对应的不同的美颜方案进一步包括：

a.若估计的年龄类型为婴幼儿或儿童，则对应的美颜方案至少包括以下一种或多种的组合：嫩肤处理或亮肤处理；

b.若估计的年龄类型为少年，则对应的美颜方案至少包括以下一种或多种的组合：祛痘祛斑处理、高光调整、轻度磨皮处理或者美白亮肤处理；

c.若估计的年龄类型为青年，则对应的美颜方案至少包括以下一种或多种的组合：祛痘祛斑处理、中轻度磨皮处理、眼睛放大处理、亮眼处理、瘦脸处理或者美白亮肤处理；

d.若估计的年龄类型为中年，则对应的美颜方案至少包括以下一种或多种的组合：祛斑祛痘处理、中重度磨皮处理、眼睛放大处理、亮眼处理、瘦脸处理或者美白亮肤处理；

e.若估计的年龄类型为老年，则对应的美颜方案至少包括以下一种或多种的组合：重度磨皮处理、美白亮肤处理、眼睛放大处理、亮眼处理、立体嘴唇处理、嘴角提拉处理或者眼角提拉处理。

9.一种基于年龄估计的图像美颜装置，其特征在于，其包括：

接收模块，其用于接收从摄像头或者本地文件中获取的待处理图像；

人脸识别模块，其对所述的待处理图像进行人脸识别，并获取识别到人脸图像以及人脸图像上的年龄特征；

年龄分类模块，其对所述的人脸图像根据所述的年龄特征进行年龄类型的估计；

执行模块，其根据估计的年龄类型获取与该年龄类型相对应的美颜方案，并根据该美颜方案对待处理图像进行美颜处理，得到效果图像。

10.根据权利要求9所述的一种基于年龄估计的图像美颜装置，其特征在于：所述的年龄分类模块进一步包括：

采样单元，用于收集样本图像以供人工标注各个样本图像的年龄类型；

编辑单元，其通过比对所述的样本图像或获取的所述人脸图像的人脸特征关键点和预设的标准人脸图的人脸特征关键点，对样本图像或人脸图像进行关键点对齐和调整，再对调整后的样本图像或人脸图像进行轮廓提取得到样本图像或人脸图像的人脸轮廓图；

归一化单元，将所述的样本图像或人脸图像的人脸轮廓图进行归一化处理；

学习单元，将归一化处理后的样本图像或人脸图像的人脸轮廓图输入卷积神经网络系统进行分类模型的训练；

判断单元，将所述人脸图像的人脸轮廓图采用所述的分类模型进行年龄分类，以判断所述人脸图像的年龄类型。